LTV: jak wykorzystać dostępne dane do przewidywania wartości klienta

Esencją nowoczesnego marketingu, który skupia się na przekształceniu jednorazowych klientów w stałych i lojalnych jest długofalowy wzrost. Korzystanie z miernika LTV pomaga firmom w znaczący sposób personalizować marketing: tworzyć rozwiązania dla spersonalizowanych rekomendacji produktów i kampanii reklamowych.

Jednak gdy formalnie uzyskujesz LTV za pomocą prostych formuł, na przykład poprzez wskaźnik rezygnacji, wyniki są często niezadowalające dla biznesu. Na przykładzie dużego biznesu e-commerce pokazujemy, jak zintegrować dane użytkowników w jednym repozytorium i wybrać metodologię obliczeń z wykorzystaniem różnych kohort klientów.

Ponieważ biznes chciał wykorzystać wszystkie dostępne dane do przewidywania wartości klienta, wydłużenia życia klienta i LTV całej bazy klientów, wyznaczono takie cele jak:

• Segmentuj klientów na podstawie ich aktywności zakupowej.
• Personalizuj komunikację z pozyskanymi segmentami klientów, wykorzystując cyfrowe kanały komunikacji i marketingu bezpośredniego (e-mail, SMS, call center).

Wśród wykorzystywanych narzędzi znalazły się Google Analytics do zbierania i przechowywania danych o zachowaniach użytkowników oraz system CRM (Microsoft Dynamics) do zbierania danych o zrealizowanych zamówieniach. Te dane również należy scalić (na podstawie częstotliwości zakupów klientów) w jeden system danych do segmentacji klientów. Następnie pozyskane segmenty klientów mogą być przesyłane do serwisów reklamowych i wykorzystywane do wyświetlania trafnych reklam oraz personalizacji komunikacji marketingu bezpośredniego.

Google BigQuery (GBQ) został wybrany jako magazyn danych w chmurze do łączenia danych ze względu na wysokie standardy bezpieczeństwa i prostą integrację z innymi usługami. Natomiast OWOX BI Pipeline został zastosowany do wysyłania surowych, niespróbkowanych danych o zachowaniu użytkowników do GBQ, w czasie zbliżonym do rzeczywistego.

Za pomocą API i bibliotek klientów do Google BigQuery zostały przeniesione następujące dane z CRM:

• Dane o wszystkich zamówieniach, w tym zrealizowanych zamówieniach (online, offline i przez call center).
• Identyfikatory użytkowników klientów, wraz z ich danymi osobowymi (imię i nazwisko, płeć, data urodzenia, adres e-mail, numer telefonu, data rejestracji, status programu lojalnościowego, e-mail, subskrypcja SMS itp.), a także danymi o aktywności zakupowej klientów (a ilość zamówień złożonych przez klienta).

Oto schemat przepływu danych:

Ponieważ nasz klient był omnikanałową firmą zajmującą się handlem modą, zaistniała konieczność stworzenia własnych segmentów klientów o dodatkowych, niestandardowych parametrach.

Czas cyklu zużycia bazy klientów został ustalony na 1,5 miesiąca ± 2 dni, aby obliczyć okres czasu na segmentację. Ta wartość to mediana liczby dni między dwoma sąsiadującymi zamówieniami. Aby sprawdzić tę medianę, obliczono liczbę dni między zamówieniami online, a następnie liczbę dni między zamówieniami offline, aby uzyskać średnią ważoną dla obu rodzajów zamówień.

Następnie zidentyfikowano główne typy segmentów na podstawie wyliczonego okresu czasu dla takich segmentów jak:

• Nowi członkowie . Nowo zarejestrowani użytkownicy, którzy nie dokonali żadnych zakupów.
• Starzy członkowie . Starzy zarejestrowani użytkownicy, którzy nie dokonali żadnych zakupów.
• Nowi nabywcy . Klienci, którzy dokonali pierwszego zakupu.
• Dobrzy kupujący . Klienci, którzy dokonali 3 lub więcej zakupów w ciągu ostatnich 6 okresów.
• Bardzo dobrzy kupujący . Klienci, którzy dokonali najwięcej zakupów w ciągu ostatnich 6 okresów. Jako górny próg dla tego segmentu analitycy OWOX BI przyjęli Transformation Rate (odsetek klientów, którzy dokonali zakupu w okresie sprawozdawczym). Na przykład klient, który kupił coś w każdym okresie lub w 4-5 z 6 ostatnich okresów.
• Przypadkowi kupujący . Klienci, którzy dokonali zakupu w 1-2 z ostatnich 6 okresów.
• Kupujący spać . Użytkownicy, którzy nie dokonali zakupu w ciągu ostatnich 6 okresów czasu.
• Nieaktywny . Użytkownicy, którzy nie dokonali zakupu w ciągu ostatnich 12 okresów czasu.

Po określeniu warunków segmentacji zespół stworzył schemat możliwych przejść użytkowników pomiędzy grupami klientów. Bardzo ważne jest, aby zobaczyć migrację użytkowników z jednego segmentu do drugiego w analizowanym okresie i po komunikacji z klientami za pośrednictwem kanałów marketingu cyfrowego i marketingu bezpośredniego.

Powyższy schemat przedstawia odsetek użytkowników, którzy przechodzą na bardziej aktywne segmenty w okresie raportowania. Przejście do bardziej aktywnych segmentów jest tendencją pozytywną i jest oznaczone kolorem zielonym, natomiast przejście do segmentów pasywnych jest tendencją negatywną i jest oznaczone kolorem czerwonym. Na przykład widać, że 15% zarejestrowanych użytkowników ( Nowi członkowie ) dokonuje pierwszego zakupu i zostaje nowymi kupującymi , co jest dobrą tendencją. 86% osób, które dokonały zakupu w poprzednim okresie, nie kupiło nic w analizowanym okresie i ostatecznie stało się przypadkowymi kupującymi , co jest tendencją negatywną.

Analitycy OWOX BI stworzyli segmenty użytkowników poprzez zastosowanie zapytań SQL. W rezultacie otrzymali tabelę zawierającą identyfikatory użytkowników, osobiste dane użytkownika i nazwę segmentu.

Następnie utworzono tabelę z głównymi wskaźnikami sprawności dla każdego z segmentów:

• Liczba użytkowników w segmencie oraz procent segmentu w bazie klientów.
• Liczba zamówień: zamówienia ogółem i zrealizowane w segmencie.
• Średni przychód na użytkownika.
• Liczba zamówień na użytkownika.
• Łączna liczba zamówień i udział segmentu w obrotach ogólnych.
• Zmiany liczby użytkowników w segmencie (tempo wzrostu).

Ponieważ klient woli tworzyć raporty za pomocą Arkuszy Google, dodatek OWOX BI BigQuery Reports został użyty jako prosty i zaufany sposób przesyłania danych z Google BigQuery. Zobaczmy, jakie raporty zostały zbudowane na podstawie uzyskanych danych.

Pierwszy raport ujawnia liczbę użytkowników, którzy przeszli do innego segmentu lub pozostali w tym samym.

Metryka Klienci pokazuje liczbę użytkowników, kolumna StartSegment przedstawia segment użytkowników w poprzednim okresie, a kolumna EndSegment przedstawia segment użytkowników z bieżącego okresu. Na przykład w wierszu 7 widzimy, ilu klientów przeszło na dobrych kupujących z przypadkowych kupujących i znowu jest to dobra tendencja. Ale w wierszu 10 widzimy zupełnie odwrotną sytuację, co jest złą tendencją. Linia 5 reprezentuje klientów, którzy pozostali nieaktywni . Oznacza to, że biznes musi częściej lub skuteczniej komunikować się z tymi klientami i skłaniać ich do ponownego zakupu po 6 okresach nieaktywności.

Drugi raport pokazuje aktualne dane każdego użytkownika w określonym przedziale czasu.

Wyświetla aktualną listę klientów, którzy byli członkami każdego z dziewięciu segmentów. Ten raport pokazuje również wszystkie osobiste dane użytkownika do bezpośredniej komunikacji: adres e-mail, numer telefonu, datę urodzenia, imię i nazwisko, płeć, status programu lojalnościowego, średni przychód na użytkownika i całkowitą liczbę premii użytkownika. Dysponując tymi danymi, specjaliści ds. marketingu mogą konfigurować spersonalizowane reklamy dla każdego segmentu użytkowników. Na przykład możesz pogrupować okazjonalnych kupujących z działaniem 0101000 (2 zakupy w ciągu 7 miesięcy) i wysłać im zaproszenie do tajnej sprzedaży.

Co więcej, informacje z raportu pozwalają zaoszczędzić budżet reklamowy, pozwalając na wykluczenie ogromnych segmentów użytkowników z grupy docelowej, z którą firma już się komunikuje, wykorzystując kanały marketingu bezpośredniego. Ponadto dane te można wzbogacić o bardziej szczegółowe informacje o każdym kliencie, co pozwala na uwzględnienie marki, kategorii i ceny wyborów klienta podczas tworzenia strategii reklamowej.

Trzeci raport wskazuje metryki aktywności zakupowej w segmentach klientów w analizowanym okresie w porównaniu z poprzednim okresem.

Ten raport pomaga śledzić zmiany KPI dla każdego segmentu klientów:

• Przychody generowane przez segment klienta i jego udział w całkowitych obrotach firmy.
• Dane porównawcze dla aktywności zakupowej: częstotliwość zakupów i średni przychód na użytkownika.
• Wskaźnik realizacji zamówień: procent zamówień, które zostały opłacone.
• Zmiany liczby użytkowników z aktywnych segmentów. Pozytywna tendencja pokazuje wzrost liczby użytkowników w aktywnych segmentach ( Dobrzy kupujący, Bardzo dobrzy kupujący, Nowi kupujący ) oraz zmniejszenie liczby użytkowników w segmentach pasywnych ( Kupujący w stanie uśpienia, Nieaktywni, Przypadkowi kupujący z aktywnością zakupową ***000, **0000 i *00000). Aby uzyskać bardziej szczegółowe informacje o zmianach segmentu, można wykorzystać schemat możliwych przejść użytkownika z jednego segmentu do drugiego. Schemat ten pozwala również zobaczyć, jak dobrze zorganizowana była komunikacja z klientami w raportowanym okresie.

• Wykorzystując narzędzia Google i OWOX BI, projektowi e-commerce udało się zebrać pełne i szczegółowe dane do tworzenia segmentów klientów.
• Analitycy OWOX BI pomogli zautomatyzować tworzenie raportów. Teraz ważne wskaźniki KPI można analizować w różnych segmentach klientów i zestawach danych, biorąc pod uwagę dane o każdym kliencie z dowolnego segmentu.
• Firma wzbogaciła komunikację ze swoimi klientami, stosując szczegółowe kampanie reklamowe.